CN110019401A - 件量预测方法、装置、设备及其存储介质 - Google Patents

Abstract

本申请公开了件量预测方法、装置、设备及其存储介质。该方法包括：对第一时间范围内的历史运单数据和外部数据进行处理，得到数据处理结果；利用数据处理结果进行训练，得到深度残差网络基础模型；利用第二时间范围内的历史运单数据更新该基础模型，得到预测模型来确定目标波次的预测件量。本申请实施例提供的技术方案，克服了现有技术中针对单个网点单独建模导致维护成本过高的问题；并通过对历史运单数据的降维处理，周期、趋势学习处理后，训练得到深度残差网络模型用以预测未来波次的件量，提高了预测结果的精准度。还通过滚动更新数据的方式更新基础模型，从而极大的减少了计算资源的消耗和时间开销。

Description

件量预测方法、装置、设备及其存储介质

技术领域

本申请一般涉及计算机领域，具体涉及数据挖掘处理技术领域，尤其涉及件量预测方法、装置、设备及其存储介质。

背景技术

物流领域作为联系社会经济发展和社会生活的重要纽带，基于该领域的数据挖掘属于新兴的研究领域，大数据技术的发展给物流行业带来了新的机遇，合理地运用大数据技术，对物流行业的管理与决策、客户关系维护、资源配置等方面起到积极的作用。

现有技术中，时间序列模型中的递归神经网络(recurrent neural network，RNN)应用在物流行业，用来预测网点的派件量信息。例如，基于广义可加模型的时序预测方法可以对每个网点每天的件量进行预测，但是这种预测方式存在波次件量预测有着数据量大，件量均值小，预测误差大的问题。并且现有的预测方式存在网点数据多、分开建模会导致数据稀疏、维护成本过高等问题。另外，考虑到节假日、极端天气、以及时间动态变化等因素的影响，以网点数据为基础建立的模型，可能存在数据抖动较大，模型性能不稳定，且建模速度慢耗时高等问题。

因此，亟待提出一种新的预测模型来解决上述问题。

发明内容

鉴于现有技术中的上述缺陷或不足，期望提供一种基于深度残差网络预测目标波次件量的方案。

第一方面，本申请实施例提供了一种件量预测方法，该方法包括：

对第一时间范围内的历史运单数据和外部数据进行处理，得到数据处理结果；

利用数据处理结果进行训练，得到深度残差网络基础模型；

利用第二时间范围内的历史运单数据更新该基础模型，得到预测模型来确定目标波次的预测件量。

第二方面，本申请实施例提供了一种件量预测装置，该装置包括：

数据处理单元，用于对第一时间范围内的历史运单数据和外部数据进行处理，得到数据处理结果；

创建基础模型单元，用于利用数据处理结果进行训练，得到深度残差网络基础模型；

更新预测单元，用于利用第二时间范围内的历史运单数据更新该基础模型，得到预测模型来确定目标波次的预测件量。

第三方面，本申请实施例提供了一种设备，包括处理器、存储装置；

前述存储装置，用于存储一个或多个程序；

当前述一个或多个程序被前述处理器执行，使得前述处理器实现本申请实施例描述的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，前述计算机程序被处理器执行时，实现本申请实施例描述的方法。

本申请实施例提供的件量预测方案，通过对数据处理提取与波次件量预测相关的重要属性数据，并利用LSTM模型从历史运单数据中学习波次的周期、趋势特性，以及对于波次件量有影响的外部数据，基于这些信息的聚合训练深度残差网络基础模型，该模型能够减少训练时间，提升模型创建的效率。进一步，还通过滚动预测的方式更新基础模型来预测目标波次的件量，能够较为准确地预测未来的波次件量。本申请实施例，还通过训练多个不同的更新模型进行交叉验证，来提升预测结果的稳定性。

按照本申请实施例的技术方案，克服现有技术中针对单个网点单独建模导致维护成本过高的问题，并通过对历史运单数据的降维处理，周期、趋势学习处理后，训练得到深度残差网络模型用以预测未来波次的件量，提高了预测结果的精准度。还通过滚动更新数据的方式更新基础模型，极大的减少了计算资源的消耗和时间开销。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1示出了本申请实施例提供的件量预测方法的流程示意图；

图2示出了本申请又一实施例提供的件量预测方法的流程示意图；

图3示出了数据降维处理的原理示意图；

图4示出了周期规律与近期趋势学习的原理示意图；

图5示出了单个时间序列学习的原理示意图；

图6示出了深度残差网络基础模型的原理示意图；

图7示出了本申请实施例提供的件量预测装置的结构示意图；

图8示出了本申请又一实施例提供的件量预测装置的结构示意图；

图9示出了适于用来实现本申请实施例的终端设备的计算机***的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

请参考图1，图1示出了本申请实施例提供的件量预测方法的流程示意图。

如图1所示，该方法包括：

步骤101，对第一时间范围内的历史运单数据和外部数据进行处理，得到数据处理结果。

本申请实施例中，在数据准备阶段，获取设定时间范围的历史运单数据和外部数据，并对这些数据进行处理后用于建立模型。物流行业的数据资源较为丰富，可以从物流数据中提取历史运单数据进行处理。为了克服网点数据量大，件量均值小，预测误差大的问题，可以以一个城市(或营业区)的所有网点数据来创建模型，通过统一建模来预测网点的波次件量。

设定时间范围可以为第一时间范围，第一时间范围的取值可以是以年为单位设置。例如，以2年的历史运单数据为例。获取2年的历史运单数据，提取历史运单数据中影响波次件量的特征属性数据，并对特征属性数据进行处理后用来训练模型。其中，特征属性数据包括：网点编号数据、月份数据、日数据、星期数据、波次件量数据等等。

对特征属性数据进行降维处理，有助于提取代表性强的特征属性。经过降维处理后的数据，便于计算和可视化，更有利于提取有效信息，提高数据处理的效率。

降维处理的常见方式有线性映射和非线性映射。例如，深度学习模型中可以采用embedding方式处理特征属性数据，使其映射到特征空间。

本申请实施例，利用深度学习模型对历史运单数据进行学习，从而获得能够体现数据发展趋势的时间序列。网点的件量数据有较强的周期性，利用深度学习模型从历史运单数据中提取这种规律性，用于创建基础模型来预测未来某个时间段的波次件量。

例如，利用深度学习模型对历史运单数据进行学习，提取反应周期规律的时间序列和近期趋势的时间序列。周期时间序列，如以周为单位的时间序列，趋势时间序列，如28天趋势时间序列。本申请实施例中的深度学习模型，可以是深度学习长短期记忆模型(LSTM)模型，或者是其他神经网络模型，以及其他能够用于学习数据规律的模型。优选地，本申请实施例选择深度学习长短期记忆模型(LSTM)模型。

本申请实施例，考虑到外部因素对件量的影响程度，在建模过程中，也引入了部分外部数据，增强模型的精准度。例如，特殊日期数据、天气数据等。

步骤102，利用数据处理结果进行训练，得到深度残差网络基础模型。

本申请实施例，使用经过数据处理后的结果来构建模型。在获得经过数据处理后的结果训练模型之前，对数据处理后的结果，需要进行聚合处理，将聚合处理的结果输入到构建的深度学习模型中进行训练。例如，将经过降维处理的特征属性数据和周期规律的时间序列和近期趋势的时间序列和外部数据进行聚合处理，得到聚合处理的结果。利用聚合处理的结果来训练深度学习模型。本申请实施例，优选地，以深度残差网络模型为基础模型，该基础模型可以包括多个残差模块。本申请实施例中，通过残差网络用更少的神经网络层获得更好的结果，减少训练时间。

步骤103，利用第二时间范围内的历史运单数据更新前述基础模型，得到预测模型来确定目标波次的预测件量。

本申请实施例，在创建了基础模型之后，利用更新数据来重新训练基础模型，得到新的预测模型，从而利用预测模型来预测未来时间段的波次件量。可选地，按照滚动预测的方式更新数据。例如，获取部分历史件量数据和部分新获取的数据组合成训练数据集，对基础模型进行逐月更新，从而预测未来某个时间段的波次件量数据。

其中，波次的定义，可以理解为单位时间内的作业批次，该单位时间可以是每30分钟为一个波次，也可以是根据实际行业的作业标准划分。按照运单的不同类别，对波次数据进行处理的方式不同。例如，运单类型可以分为派件类，有订单收件类，无订单收件类等，其中，派件类中定义的波次，将全天24小时划分为35个波次，第1个波次为凌晨0点到7点，第2个波次为7点到7:30分，第3个波次为7:30分到8点，依次类推每隔半小时产生一个波次，一直到第35个波次为23:30分到0点，对派件类的波次数据进行处理，以使件量数据更符合业务场景，例如，将前一天21点至第二天早上9点的各个波次的件量数据累计到第二天的第5个波次。

又如，有订单收件类中定义的波次，与派件类相似，将全天24小时划分35个波次，但是，对有订单收件类的波次数据进行处理，例如，将前一天的第31个波次到第二天的第4个波次的件量数据累计到第二天的第4个波次。又如，无订单收件类，与派件类相似，将全天24小时划分为35个波次，但是，对无订单收件类的波次数据进行处理，例如，将前一天第35个波次到第二天的第3个波次的件量数据均匀分配到前一天的第26个波次到第34个波次。

本申请实施例通过深度学习对波次件量的预测，有较好地的表现，能够较为准确地预测出每个波次的件量，大大提升了预测效果。本申请实施例，采用深度学习长短期记忆网络(LSTM)模型挖掘时间序列中的变化模式，既考虑长期变化规律，同时考虑近期变化趋势，通过创建深度残差网络基础模型，减少了模型训练时间，提升了模型创建的效率。并通过滚动预测的方式更新基础模型，克服了现有技术中传统时间序列模型创建速度慢、耗时高的问题。

请参考图2，图2示出了本申请又一实施例提供的件量预测方法的流程示意图。

如图2所示，该方法包括：

步骤201，对第一时间范围内的历史运单数据和外部数据进行处理，得到数据处理结果。

本申请实施例中，在数据准备阶段，获取设定时间范围的历史运单数据和外部数据，并对这些数据进行处理后用于建立模型。设定时间范围可以为第一时间范围，第一时间范围的取值可以是以年为单位设置。

对于历史运单数据，要获取影响波次件量的特征属性数据，需要从历史运单数据中提取特征属性数据，并对特征属性数据进行处理，得到第一处理结果。

例如，以2015年2月-2017年2月的历史运单数据为例。从这段时间的历史运单数据中提取影响波次件量的特征属性数据。其中，特征属性数据包括：网点编号数据、月份数据、日数据、星期数据、波次件量数据等等。可选地，如图3所示，通过分别将网点编号数据、月份数据、日数据、星期数据、波次件量数据分别进行embedding处理后聚合生成标识信息，即实现特征属性数据的降维处理。

对于历史运单数据，要获取影响波次件量的数据变化规律特性，需要基于深度学习模型对所历史运单数据进行周期规律学习，得到多个第一时间序列，并将所多个第一时间序列聚合为周期时间序列；同样，基于前述深度学习模型对所述历史运单数据进行近期趋势学习，得到趋势时间序列。本申请实施例中的深度学习模型，可以是深度学习长短期记忆模型(LSTM)模型，或者是其他神经网络模型，以及其他能够用于学习数据规律的模型。优选地，本申请实施例选择深度学习长短期记忆模型(LSTM)模型。

例如，对2015年2月-2017年2月的历史运单数据，利用LSTM模型挖掘时间序列以反映数据的周期变化规律和近期发展趋势规律。如图4所示，将历史运单数据输入到LSTM模型中，提取历史周期时间序列进行聚合作为周期时间序列。将历史运单数据输入到LSTM模型，提取历史趋势时间序列作为趋势时间序列。

其中，利用历史运单数据提取历史周期时间序列，如图5所示，如果提取历史运单数据中某个星期一的时间序列，以该星期一为基准，按时间回溯方式，提取该星期一之前的12周的星期一数据，分别输入到LSTM模块中进行处理，再经过64层全连接层处理后，输出到32层全连接层处理，从而生成该星期一的时间序列。

其中，利用历史运单数据提取趋势时间序列，如图5所示，可以提取指定时间的前28天的数据来生成趋势时间序列。

本申请实施例，在数据处理阶段，引入外部数据来进一步分析波次件量的变化。对外部数据进行标识处理，得到第二处理结果。

获取外部数据的方式有多种。例如，从内部数据中提取，或者通过外部数据资源获取等。对获取的外部数据，需要进一步处理，将其转换为影响波次件量的特征。本申请实施例中提取的外部数据可以是特殊日期数据和天气数据。其中，特殊日期包括部分法定节假日和部分特殊日期，例如，元旦、春节、端午、清明、五一、中秋、国庆、双十一、双十二等。对特殊日期数据的处理，可以理解为以元旦、春节、端午、清明、五一、中秋、国庆、双十一、双十二为列，日期数据为行，每列中数据的取值范围为[-15，16]。以春节(即农历的大年初一)为例，用16表示该日期前后15天不是春节，-15表示还有15天是春节，0表示春节当天，15表示春节已经过去15天。通过对特殊日期进行标识处理，能够更好地挖掘特殊日期与波次件量之间的影响关系。

对于天气数据的处理，可以理解为用数值表示天气的情况，例如表示天气的数值范围为{-2，0，2}，其中-2表示极端恶劣的天气，2表示晴朗，不确定或者正常的时候补0。对天气数据的处理，为了更好地分析天气因素对波次件量的影响。

对特殊日期数据和天气数据进行处理后，聚合生成外部数据。

可选地，步骤201还可以包括：

步骤2011，从历史运单数据中提取特征属性数据，并对特征属性数据进行处理，得到第一处理结果；

步骤2012，基于深度学习模型对历史运单数据进行周期规律学习，得到多个第一时间序列，并将多个第一时间序列聚合为周期时间序列；

步骤2013，基于深度学习模型对历史运单数据进行近期趋势学习，得到趋势时间序列；

步骤2014，对外部数据进行标识处理，得到第二处理结果，前述外部数据包括特殊日期数据和/或天气数据。

步骤202，利用数据处理结果进行训练，得到深度残差网络基础模型。

在对历史件量数据进行处理后得到数据处理结果，将数据处理结果聚合处理，用于训练深度残差网络基础模型。

本申请实施例中，将第一处理结果、周期时间序列、趋势时间序列和第二处理结果进行聚合，得到聚合结果。将聚合结果输入到深度残差网络模型，进行训练。该深度残差网络模型可以包括多个残差模块。如图6所示，将第一处理结果、周期时间序列、趋势时间序列和第二处理结果聚合输入到深度残差网络基础模型。该深度残差网络基础模型包括3个残差模块。每个残差模块由一个全连接层进行残差学习构建而成。

可选地，步骤202，包括：

步骤2021，聚合数据处理结果，得到聚合结果；

步骤2022，利用聚合结果进行训练，得到深度残差网络基础模型。

其中步骤2021还包括：将处理结果、多个时间序列、第二时间序列和第二处理结果聚合，得到聚合结果。

步骤203，利用第二时间范围内的历史运单数据更新前述基础模型，得到预测模型来确定目标波次的预测件量。

现有的时间序列模型训练每个网点每波次的时间较长，一般大于20分钟，每天的波次大约30个波次。可见，现有的时间序列模型耗费的训练时间过长，导致模型的预测效率较低。为更有效地预测未来波次件量的变化，需要构建更新性能更好的模型，用来提升工作效率。

本申请实施例，在步骤202中构建深度残差网络基础模型，对该基础模型，可以通过设置滚动预测的方式，来更新该基础模型。

例如，利用第二时间范围内的历史运单数据更新该基础模型。第二时间范围的设置可以根据数据更新状态动态调整。例如，预测目标为2017年3月，则第二时间范围可以设置为2016年10月-2017年2月。如果预测目标为2017年4月，则第二时间范围可以设置为2016年11月-2017年3月。或者，进一步缩小时间范围，例如预测目标为2017年3月，则第二时间范围可以设置为2016年12月-2017年2月。

本申请实施例中第二时间范围的选择是按月滚动的方式，选取设置时间长度的范围。该时间长度可以是自然月的整数倍。例如，3个月或者5个月。

在获取第二时间范围的历史运单数据后，将这段时间的历史运单数据进一步划分成训练数据集和验证数据集。并利用训练数据集对基础模型进行重新训练来更新基础模型，基于验证数据集输入更新后的基础模型来获取预测的波次件量，通过划分训练数据集和验证数据集交叉验证的方式，以防止更新后的模型出现过拟合问题。

步骤203，可选地，包括：

步骤2031，确定预测目标波次的第二时间范围的历史运单数据；

步骤2032，将第二时间范围的历史运单数据划分为训练数据集和验证数据集；

步骤2033，利用训练数据集重新训练深度残差网络基础模型，得到预测模型；

步骤2034，将验证数据集输入到预测模型，得到目标波次的预测件量。

例如，以预测2017年3月的波次件量为例，第二时间范围为5个月，即选取2016年10月-2017年2月的历史运单数据。将历史运单数据划分为训练数据集和验证数据集。

例如，{2016年10月-2017年1月}为训练数据集，{2017年2月}为验证数据集；

用训练数据集对基础模型进行训练，得到更新的基础模型，为区别表示称之为预测模型；将验证数据集输入到预测模型，得到预测结果，即为目标波次的预测件量。

可选地，本申请实施例，为了进一步提升预测结果的稳定性，通过调整训练集和验证数据集的训练多个基础模型进行交叉验证来实现波次件量的预测。

可选地，步骤2032，还可以包括：

在第二时间范围的历史运单数据中，动态地指定多个验证数据集，并划分出多个与所述验证数据集一一对应的训练数据集。

可选地，步骤2033，还可以包括：

将多个训练数据集分别输入深度残差网络基础模型重新训练，得到多个与训练数据集一一对应深度残差网络预测模型。

可选地，步骤2034，还可以包括：

将与多个训练数据集一一对应的验证数据集分别输入与多个训练数据集一一对应的深度残差网络模型，得到多个预测件量；

计算多个预测件量的平均值，作为目标波次的预测件量。

例如，以预测2017年3月的波次件量为例，第二时间范围为5个月，即选取2016年10月-2017年2月的历史运单数据。

将2016年10月-2017年2月的历史运单数据划分为3种不同的训练数据集和验证数据集。

例如，{2016年10月-2017年1月}为第一训练数据集，{2017年2月}为第一验证数据集；

{2016年12月-2016年10月，2017年2月}为第二训练数据集，{2017年1月}为第二验证数据集；

{2016年11月-10月，2017年1月-2月}为第三训练数据集，{2016年12月}为第三验证数据集。

用第一训练数据集对基础模型进行训练，得到更新的基础模型，为区别表示称之为第一预测模型；将第一验证数据集输入到第一预测模型，得到第一预测结果。

用第二训练数据集对基础模型进行训练，得到更新的基础模型，为区别表示称之为第二预测模型；将第一验证数据集输入到第二预测模型，得到第二预测结果。

用第三训练数据集对基础模型进行训练，得到更新的基础模型，为区别表示称之为第三预测模型；将第一验证数据集输入到第二预测模型，得到第三预测结果。

最后，将第一预测结果、第二预测结果和第二预测结果取平均值，得到最终的预测结果。

应当注意，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，流程图中描绘的步骤可以改变执行顺序。例如，基于深度学习模型对历史运单数据进行周期规律学习，得到多个第一时间序列，并将多个第一时间序列聚合为周期时间序列的步骤，和基于深度学习模型对历史运单数据进行近期趋势学习，得到趋势时间序列的步骤。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。例如，利用数据处理结果进行训练，得到深度残差网络基础模型，包括：聚合数据处理结果，得到聚合结果；利用聚合结果进行训练，得到深度残差网络基础模型。

请参考图7，图7示出了本申请实施例提供的件量预测装置的结构示意图。

如图7所示，该装置700包括：

数据处理单元701，用于对第一时间范围内的历史运单数据和外部数据进行处理，得到数据处理结果。

本申请实施例中，在数据准备阶段，获取设定时间范围的历史运单数据和外部数据，并对这些数据进行处理后用于建立模型。物流行业的数据资源较为丰富，可以从物流数据中提取历史运单数据进行处理。为了克服网点数据稀疏的问题，可以以一个城市(或营业区)的所有网点数据来创建模型，通过统一建模来预测网点的波次件量。

设定时间范围可以为第一时间范围，第一时间范围的取值可以是以年为单位设置。例如，以2年的历史运单数据为例。获取2年的历史运单数据，提取历史运单数据中影响波次件量的特征属性数据，并对特征属性数据进行处理后用来训练模型。其中，特征属性数据包括：网点编号数据、月份数据、日数据、星期数据、波次件量数据等等。

对特征属性数据进行降维处理，有助于提取代表性强的特征属性。经过降维处理后的数据，便于计算和可视化，更有利于提取有效信息，提高数据处理的效率。

降维处理的常见方式有线性映射和非线性映射。例如，深度学习模型中可以采用embedding方式处理特征属性数据，使其映射到特征空间。

本申请实施例，利用深度学习模型对历史运单数据进行学习，从而获得能够体现数据发展趋势的时间序列。网点的件量数据有较强的周期性，利用深度学习模型从历史运单数据中提取这种规律性，用于创建基础模型来预测未来某个时间段的波次件量。

例如，利用深度学习模型对历史运单数据进行学习，提取反应周期规律的时间序列和近期趋势的时间序列。周期规律的时间序列，如以周为单位的时间序列，近期趋势的时间序列，如以月为单位的时间序列。本申请实施例中的深度学习模型，可以是深度学习长短期记忆模型(LSTM)模型，或者是其他神经网络模型，以及其他能够用于学习数据规律的模型。优选地，本申请实施例选择深度学习长短期记忆模型(LSTM)模型。

本申请实施例，考虑到外部因素对件量的影响程度，在建模过程中，也引入了部分外部数据，增强模型的精准度。例如，特殊日期数据、天气数据等。

创建基础模型单元702，用于利用数据处理结果进行训练，得到深度残差网络基础模型。

本申请实施例，使用经过数据处理后的结果来构建模型。在获得经过数据处理后的结果训练模型之前，对数据处理后的结果，需要进行聚合处理，将聚合处理的结果输入到构建的深度学习模型中进行训练。例如，将经过降维处理的特征属性数据和周期规律的时间序列和近期趋势的时间序列和外部数据进行聚合处理，得到聚合处理的结果。利用聚合处理的结果来训练深度学习模型。本申请实施例，优选地，以深度残差网络模型为基础模型，该基础模型可以包括多个残差模块本申请实施例中通过残差网络用更少的神经网络层获得更好的结果，减少训练时间。

更新预测单元703，用于利用第二时间范围内的历史运单数据更新前述基础模型，得到预测模型来确定目标波次的预测件量。

本申请实施例，在创建了基础模型之后，利用更新数据来重新训练基础模型，得到新的预测模型，从而利用预测模型来预测未来时间段的波次件量。可选地，按照滚动预测的方式更新数据。例如，获取部分历史件量数据和部分新获取的数据组合成训练数据集，对基础模型进行逐月更新，从而预测未来某个时间段的波次件量数据。

其中，波次的定义，可以理解为单位时间内的作业批次，该单位时间可以是每30分钟为一个波次，也可以是根据实际行业的作业标准划分。按照运单的不同类别，对波次数据进行处理的方式不同。例如，运单类型可以分为派件类，有订单收件类，无订单收件类等，其中，派件类中定义的波次，将全天24小时划分为35个波次，第1个波次为凌晨0点到7点，第2个波次为7点到7:30分，第3个波次为7:30分到8点，依次类推每隔半小时产生一个波次，一直到第35个波次为23:30分到0点，对派件类的波次数据进行处理，以使件量数据更符合业务场景，例如，将前一天21点至第二天早上9点的各个波次的件量数据累计到第二天的第5个波次。

又如，有订单收件类中定义的波次，与派件类相似，将全天24小时划分35个波次，但是，对有订单收件类的波次数据进行处理，例如，将前一天的第31个波次到第二天的第4个波次的件量数据累计到第二天的第4个波次。又如，无订单收件类，与派件类相似，将全天24小时划分为35个波次，但是，对无订单收件类的波次数据进行处理，例如，将前一天第35个波次到第二天的第3个波次的件量数据均匀分配到前一天的第26个波次到第34个波次。

本申请实施例通过深度学习对波次件量的预测，有较好地的表现，能够较为准确地预测出每个波次的件量，大大提升了预测效果。本申请实施例，采用深度学习长短期记忆网络(LSTM)模型挖掘时间序列中的变化模式，既考虑长期变化规律，同时考虑近期变化趋势，通过创建深度残差网络基础模型，减少了模型训练时间，提升了模型创建的效率。并通过滚动预测的方式更新基础模型，克服了现有技术中传统时间序列模型创建速度慢、耗时高的问题。

请参考图8，图8示出了本申请又一实施例提供的件量预测装置的结构示意图。

如图8所示，该装置800包括：

数据处理单元801，用于对第一时间范围内的历史运单数据和外部数据进行处理，得到数据处理结果。

本申请实施例中，在数据准备阶段，获取设定时间范围的历史运单数据和外部数据，并对这些数据进行处理后用于建立模型。设定时间范围可以为第一时间范围，第一时间范围的取值可以是以年为单位设置。

对于历史运单数据，要获取影响波次件量的特征属性数据，需要从历史运单数据中提取特征属性数据，并对特征属性数据进行处理，得到第一处理结果。

例如，以2015年2月-2017年2月的历史运单数据为例。从这段时间的历史运单数据中提取影响波次件量的特征属性数据。其中，特征属性数据包括：网点编号数据、月份数据、日数据、星期数据、波次件量数据等等。可选地，如图3所示，通过分别将网点编号数据、月份数据、日数据、星期数据、波次件量数据分别进行embedding处理后聚合生成标识信息，即实现特征属性数据的降维处理。

对于历史运单数据，要获取影响波次件量的数据变化规律特性，需要基于深度学习模型对所历史运单数据进行周期规律学习，得到多个第一时间序列，并将所多个第一时间序列聚合为周期时间序列；同样，基于前述深度学习模型对所述历史运单数据进行近期趋势学习，得到趋势时间序列。本申请实施例中的深度学习模型，可以是深度学习长短期记忆模型(LSTM)模型，或者是其他神经网络模型，以及其他能够用于学习数据规律的模型。优选地，本申请实施例选择深度学习长短期记忆模型(LSTM)模型。

例如，对2015年2月-2017年2月的历史运单数据，利用LSTM模型挖掘时间序列以反映数据的周期变化规律和近期发展趋势规律。如图4所示，将历史运单数据输入到LSTM模型中，提取历史周期时间序列进行聚合作为周期信息。将历史运单数据输入到LSTM模型，提取历史趋势时间序列作为趋势信息。

其中，利用历史运单数据提取历史周期时间序列，如图5所示，如果提取历史运单数据中某个星期一的时间序列，以该星期一为基准，按时间回溯方式，提取该星期一之前的12周的星期一数据，分别输入到LSTM模块中进行处理，再经过64层全连接层处理后，输出到32层全连接层处理，从而生成该星期一的时间序列。

本申请实施例，在数据处理阶段，引入外部数据来进一步分析波次件量的变化。对外部数据进行标识处理，得到第二处理结果。

外部数据的获取有多种方式。例如，从内部数据中提取，或者通过外部数据资源获取等。对获取的外部数据，需要进一步处理，将其转换为影响波次件量的特征。本申请实施例中提取的外部数据可以是特殊日期数据和天气数据。其中，特殊日期包括部分法定节假日和部分特殊日期，例如，元旦、春节、端午、清明、五一、中秋、国庆、双十一、双十二等。对特殊日期数据的处理，可以理解为以元旦、春节、端午、清明、五一、中秋、国庆、双十一、双十二为列，日期数据为行，每列中数据的取值范围为[-15，16]。以春节(即农历的大年初一)为例，用16表示该日期前后15天不是春节，-15表示还有15天是春节，0表示春节当天，15表示春节已经过去15天。通过对特殊日期进行标识处理，能够更好地挖掘特殊日期与波次件量之间的影响关系。

对于天气数据的处理，可以理解为用数值表示天气的情况，例如表示天气的数值范围为{-2，0，2}，其中-2表示极端恶劣的天气，2表示晴朗，不确定或者正常的时候补0。对天气数据的处理，为了更好地分析天气因素对波次件量的影响。

对特殊日期数据和天气数据进行处理后，聚合生成外部信息。

可选地，数据处理单元801还可以包括：

第一处理子单元8011，用于从历史运单数据中提取特征属性数据，并对特征属性数据进行处理，得到第一处理结果；

第一时间序列生成子单元8012，用于基于深度学习模型对历史运单数据进行周期规律学习，得到多个第一时间序列，并将多个第一时间序列聚合为周期时间序列；

第二时间序列生成子单元8013，用于基于深度学习模型对历史运单数据进行近期趋势学习，得到趋势时间序列；

第二处理子单元8014，对外部数据进行标识处理，得到第二处理结果，前述外部数据包括特殊日期数据和/或天气数据。

创建基础模型单元802，利用数据处理结果进行训练，得到深度残差网络基础模型。

在对历史件量数据进行处理后得到数据处理结果，将数据处理结果聚合处理，用于训练深度残差网络基础模型。

本申请实施例中，将第一处理结果、周期时间序列、趋势时间序列和第二处理结果聚合，得到聚合结果。将聚合结果输入到深度残差网络模型，进行训练。该深度残差网络模型可以包括多个残差模块。如图6所示，将第一处理结果、周期时间序列、趋势时间序列和第二处理结果聚合输入到深度残差网络基础模型。该深度残差网络基础模型包括3个残差模块。每个残差模块由一个全连接层进行残差学习构建而成。

可选地，创建基础模型单元802，包括：

聚合子单元8021，用于聚合数据处理结果，得到聚合结果；

训练子单元8022，用于利用聚合结果进行训练，得到深度残差网络基础模型。

其中聚合子单元8021还用于将处理结果、多个第一时间序列、第二时间序列和第二处理结果聚合，得到聚合结果。

更新预测单元803，用于利用第二时间范围内的历史运单数据更新前述基础模型，得到预测模型来确定目标波次的预测件量。

现有的时间序列模型训练每个网点每波次的时间较长，一般大于20分钟，每天的波次大约30个波次。可见，现有的时间序列模型耗费的训练时间过长，导致模型的预测效率较低。为更有效地预测未来波次件量的变化，需要构建更新性能更好的模型，用来提升工作效率。

本申请实施例，在步骤202中构建深度残差网络基础模型，对该基础模型，可以通过设置滚动预测的方式，来更新该基础模型。

例如，利用第二时间范围内的历史运单数据更新该基础模型。第二时间范围的设置可以根据数据更新状态动态调整。例如，预测目标为2017年3月，则第二时间范围可以设置为2016年10月-2017年2月。如果预测目标为2017年4月，则第二时间范围可以设置为2016年11月-2017年3月。或者，进一步缩小时间范围，例如预测目标为2017年3月，则第二时间范围可以设置为2016年12月-2017年2月。

本申请实施例中第二时间范围的选择是按月滚动的方式，选取设置时间长度的范围。该时间长度可以是自然月的整数倍。例如，3个月或者5个月。

在获取第二时间范围的历史运单数据后，将这段时间的历史运单数据进一步划分成训练数据集和验证数据集。并利用训练数据集对基础模型进行重新训练来更新基础模型，基于验证数据集输入更新后的基础模型来获取预测的波次件量，通过划分训练数据集和验证数据集交叉验证的方式，以防止更新后的模型出现过拟合问题。

更新预测单元803，可选地，包括：

确定子单元8031，用于确定预测目标波次的第二时间范围的历史运单数据；

数据划分子单元8032，用于将第二时间范围的历史运单数据划分为训练数据集和验证数据集；

更新子单元8033，用于利用训练数据集重新训练深度残差网络基础模型，得到预测模型；

预测子单元8034，用于将验证数据集输入到预测模型，得到目标波次的预测件量。

例如，以预测2017年3月的波次件量为例，第二时间范围为5个月，即选取2016年10月-2017年2月的历史运单数据。将历史运单数据划分为训练数据集和验证数据集。

例如，{2016年10月-2017年1月}为训练数据集，{2017年2月}为验证数据集；

用训练数据集对基础模型进行训练，得到更新的基础模型，为区别表示称之为预测模型；将验证数据集输入到预测模型，得到预测结果，即为目标波次的预测件量。

可选地，本申请实施例，为了进一步提升预测结果的稳定性，通过调整训练集和验证数据集的训练多个基础模型进行交叉验证来实现波次件量的预测。

可选地，数据划分子单元8032，还用于在第二时间范围的历史运单数据中，动态地指定多个验证数据集，并划分出多个与所述验证数据集一一对应的训练数据集。

可选地，更新子单元8033，还用于将多个训练数据集分别输入深度残差网络基础模型重新训练，得到多个与训练数据集一一对应深度残差网络预测模型。

可选地，预测子单元8034，还包括：

预测子单元，用于将与多个训练数据集一一对应的验证数据集分别输入与多个训练数据集一一对应的深度残差网络模型，得到多个预测件量；

计算子单元，用于计算多个预测件量的平均值，作为目标波次的预测件量。

例如，以预测2017年3月的波次件量为例，第二时间范围为5个月，即选取2016年10月-2017年2月的历史运单数据。

将2016年10月-2017年2月的历史运单数据划分为3种不同的训练数据集和验证数据集。

例如，{2016年10月-2017年1月}为第一训练数据集，{2017年2月}为第一验证数据集；

{2016年12月-2016年10月，2017年2月}为第二训练数据集，{2017年1月}为第二验证数据集；

{2016年11月-10月，2017年1月-2月}为第三训练数据集，{2016年12月}为第三验证数据集。

用第一训练数据集对基础模型进行训练，得到更新的基础模型，为区别表示称之为第一预测模型；将第一验证数据集输入到第一预测模型，得到第一预测结果。

用第二训练数据集对基础模型进行训练，得到更新的基础模型，为区别表示称之为第二预测模型；将第一验证数据集输入到第二预测模型，得到第二预测结果。

用第三训练数据集对基础模型进行训练，得到更新的基础模型，为区别表示称之为第三预测模型；将第一验证数据集输入到第二预测模型，得到第三预测结果。

最后，将第一预测结果、第二预测结果和第二预测结果取平均值，得到最终的预测结果。

应当理解，装置700或800中记载的诸单元或模块与参考图1或图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征同样适用于装置700或800及其中包含的单元，在此不再赘述。装置700或800可以预先实现在电子设备的浏览器或其他安全应用中，也可以通过下载等方式而加载到电子设备的浏览器或其安全应用中。装置700或800中的相应单元可以与电子设备中的单元相互配合以实现本申请实施例的方案。

下面参考图9，其示出了适于用来实现本申请实施例的终端设备或服务器的计算机***900的结构示意图。

如图9所示，计算机***900包括中央处理单元(CPU)901，其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM 903中，还存储有***900操作所需的各种程序和数据。CPU 901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。

以下部件连接至I/O接口905：包括键盘、鼠标等的输入部分906；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907；包括硬盘等的存储部分908；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器910上，以便于从其上读出的计算机程序根据需要被安装入存储部分908。

特别地，根据本公开的实施例，上文参考图1或2描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，所述计算机程序包含用于执行图1或2的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。

附图中的流程图和框图，图示了按照本发明各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，例如，可以描述为：一种处理器包括数据处理单元、创建基础模型单元以及更新预测单元。其中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定，例如，数据处理单元还可以被描述为“用于处理数据的单元”。

作为另一方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中所述装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本申请的件量预测方法。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (20)

1.一种件量预测方法，其特征在于，所述方法包括：

对第一时间范围内的历史运单数据和外部数据进行处理，得到数据处理结果；

利用所述数据处理结果进行训练，得到深度残差网络基础模型；

利用第二时间范围内的历史运单数据更新所述基础模型，得到预测模型来确定目标波次的预测件量。

2.根据权利要求1所述的方法，其特征在于，所述对第一时间范围内的历史运单数据和外部数据进行处理，得到数据处理结果，包括：

从所述历史运单数据中提取特征属性数据，并对所述特征属性数据进行处理，得到第一处理结果；

基于深度学习模型对所述历史运单数据进行周期规律学习，得到多个第一时间序列，并将所述多个第一时间序列聚合为周期时间序列；

基于所述深度学习模型对所述历史运单数据进行近期趋势学习，得到趋势时间序列；

对所述外部数据进行标识处理，得到第二处理结果，所述外部数据包括特殊日期数据和/或天气数据。

3.根据权利要求1或2所述的方法，其特征在于，所述利用所述数据处理结果进行训练，得到深度残差网络基础模型，包括：

聚合所述数据处理结果，得到聚合结果；

利用所述聚合结果进行训练，得到深度残差网络基础模型。

4.根据权利要求3所述的方法，其特征在于，所述聚合所述数据处理结果，得到聚合结果，包括：

将所述第一处理结果、所述周期时间序列、所述趋势时间序列和所述第二处理进行聚合，得到聚合结果。

5.根据权利要求1-4任一项所述的方法，其特征在于，所述利用第二时间范围内的历史运单数据更新所述基础模型，得到预测模型来确定目标波次的预测件量，包括：

确定预测目标波次的第二时间范围的历史运单数据；

将第二时间范围的历史运单数据划分为训练数据集和验证数据集；

利用所述训练数据集重新训练所述深度残差网络基础模型，得到预测模型；

将所述验证数据集输入到所述预测模型，得到目标波次的预测件量。

6.根据权利要求5所述的方法，其特征在于，所述将第二时间范围的历史运单数据划分为训练数据集和验证数据集，包括：

在所述第二时间范围的所述历史运单数据中，动态地指定多个第一验证数据集，并划分出多个与所述第一验证数据集一一对应的第一训练数据集。

7.根据权利要求6所述的方法，其特征在于，所述利用所述训练数据集重新训练所述深度残差网络基础模型，得到预测模型，包括：

将所述多个第一训练数据集分别输入所述深度残差网络基础模型重新训练，得到多个与所述第一训练数据集一一对应深度残差网络预测模型。

8.根据权利要求7所述的方法，其特征在于，所述将所述验证数据集输入到所述预测模型，得到目标波次的预测件量，包括：

将与所述多个第一训练数据集一一对应的所述第一验证数据集分别输入与所述多个第一训练数据集一一对应的第一深度残差网络模型，得到多个第一预测件量；

计算所述多个第一预测件量的平均值，作为所述目标波次的预测件量。

9.根据权利要求2-8任一项所述的方法，其特征在于，所述从所述历史运单数据中提取特征属性数据，并对所述特征属性数据进行处理，包括：

从所述历史运单数据中提取特征属性数据，所述特征属性数据至少包括：网点编号数据、月份数据、日期数据、星期数据、波次件量数据；

对所述特征属性数据进行降维处理。

10.根据权利要求9所述的方法，其特征在于，所述对所述特征属性数据进行降维处理，包括：

采用embedding方式将所述特征属性数据映射到特征空间。

11.一种件量预测装置，所述装置包括：

数据处理单元，用于对第一时间范围内的历史运单数据和外部数据进行处理，得到数据处理结果；

创建基础模型单元，用于利用所述数据处理结果进行训练，得到深度残差网络基础模型；

更新预测单元，用于利用第二时间范围内的历史运单数据更新所述基础模型，得到预测模型来确定目标波次的预测件量。

12.根据权利要求11所述的装置，其特征在于，所述数据处理单元，包括：

第一处理子单元，用于从所述历史运单数据中提取特征属性数据，并对所述特征属性数据进行处理，得到第一处理结果；

第一时间序列生成子单元，用于基于深度学习模型对所述历史运单数据进行周期规律学习，得到多个第一时间序列，并将所述多个第一时间序列聚合为周期时间序列；

第二时间序列生成子单元，用于基于所述深度学习模型对所述历史运单数据进行近期趋势学习，得到趋势时间序列；

第二处理子单元，对所述外部数据进行标识处理，得到第二处理结果，所述外部数据包括特殊日期数据和/或天气数据。

13.根据权利要求11或12所述的装置，其特征在于，所述创建基础模型单元，包括：

聚合子单元，用于聚合所述数据处理结果，得到聚合结果；

训练子单元，用于利用所述聚合结果进行训练，得到深度残差网络基础模型。

14.根据权利要求13所述的装置，其特征在于，所述聚合单元，还用于将所述第一处理结果、所述周期时间序列、所述趋势时间序列和所述第二处理结果进行聚合，得到聚合结果。

15.根据权利要求11-14任一项所述的装置，其特征在于，所述更新预测单元，包括：

确定子单元，用于确定预测目标波次的第二时间范围的历史运单数据；

数据划分子单元，用于将第二时间范围的历史运单数据划分为训练数据集和验证数据集；

更新子单元，用于利用所述训练数据集重新训练所述深度残差网络基础模型，得到预测模型；

预测子单元，用于将所述验证数据集输入到所述预测模型，得到目标波次的预测件量。

16.根据权利要求15所述的装置，其特征在于，所述数据划分子单元，还用于在所述第二时间范围的所述历史运单数据中，动态地指定多个第一验证数据集，并划分出多个与所述第一验证数据集一一对应的第一训练数据集。

17.根据权利要求16所述的装置，其特征在于，所述更新子单元，还用于将所述多个第一训练数据集分别输入所述深度残差网络基础模型重新训练，得到多个与所述第一训练数据集一一对应深度残差网络预测模型。

18.根据权利要求17所述的装置，其特征在于，所述预测子单元，包括：

第一预测子单元，用于将与所述多个第一训练数据集一一对应的所述第一验证数据集分别输入与所述多个第一训练数据集一一对应的第一深度残差网络模型，得到多个第一预测件量；

计算子单元，用于计算所述多个第一预测件量的平均值，作为所述目标波次的预测件量。

19.一种设备，包括处理器、存储装置；其特征在于：

所述存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述处理器执行，使得所述处理器实现如权利要求1-10中任一项所述的方法。

20.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如权利要求1-10中任一项所述的方法。